Kantor.AI

Меня тут нейросетка прожарила еще и за мои же деньги 😂 "Уже вижу важную вещь: страница в целом выглядит не как «инфоцыганский лендинг», а скорее как школа с сильной экспертизой, но текст местами заметно слабее самих преподавателей." Кто там жаловался, что LLMки со всем соглашаются? 🤨

Сбер открыл доступ к новому поколению моделей GigaEmbeddings   Линейка включает три модели разного размера: 480M, 3B и 10B-A1.8B. Они переводят тексты в числовые векторы для семантического поиска, построения RAG-систем (Retrieval-Augmented Generation), классификации и кластеризации.   Команда разработки изменила архитектуру модели, чтобы упростить интеграцию со стандартными открытыми инструментами. На vLLM GigaEmbeddings 3B работает в 1,6 раза быстрее предыдущей версии, а 10B-A1.8B — в 2 раза.   Объём данных для обучения увеличился в несколько раз. В частности, за счёт открытых датасетов Nemotron, F2LLM и KALM.   На всех этапах применяли мержинг экспертов для сохранения языкового баланса. Самую компактную модель обучали с помощью дистилляции: она усваивала ответы более крупных и точных моделей.   По результатам тестов 10B-A1.8B заняла первое место в рейтинге ruMTEB. У модели 3B качество обработки кода выросло на 14,5 пункта. При этом самая компактная модель 480M стала лучшей на русском языке среди решений до 500 млн параметров.   Ищите веса под лицензией MIT на GitVerse и HuggingFace. Модели бесплатно доступны разработчикам и бизнесу под открытой MIT-лицензией: HF: 480M | 3B | 10B-A1.8B Gitverse: 480M | 3B | 10B-A1.8B   Подробности читайте в посте команды ↖️

У нас на YouTube канале вышло интервью с Кириллом Малковым. Кирилл построил хорошую карьеру в Data Science, которой и мне есть где позавидовать: Chief Data Scientist'ом в одной из крупнейших российских компаний я к 21 году не был, но вот, оказывается, так тоже можно. Но лично мне интереснее всего было проинтервьюировать Кирилла потому что он еще и записал модуль по Deep Learning для нашей специализации по машинному обучению в MLinside (которая кстати, для студентов ВУЗов доступна бесплатно). В интервью поговорили в том числе и о том, как и главное зачем готовился модуль по DL во времена, когда курсов вокруг вагон и маленькая тележка, а рук все равно не хватает. В общем, всем приятного просмотра первой части интервью, а мы пока готовим к выпуску часть 2.

Что будет на deep tech night Яндекса 5 сентября Яндекс проводит deep tech night - конференцию о технологических вызовах в эпоху AI. Лично мне нравится сама постановка темы мероприятия: AI здесь рассматривают не как еще одну технологию, которую надо куда-нибудь внедрить, а как причину пересмотреть архитектуру, инфраструктуру, разработку и инженерные процессы. Это сейчас гораздо интереснее очередного обсуждения возможностей LLM. Мы уже довольно хорошо понимаем, что модели умеют писать код, работать с данными и вызывать инструменты. Следующий вопрос - что происходит с IT-системами и инженерными командами, когда все это начинает использоваться в проде и масштабироваться. Я бы обратил внимание на несколько докладов. Мо Гавдат, ex-Chief Business Officer Google X, будет говорить о том, что последует за первым поколением AI-систем и как будут меняться инженерные команды. Алексей Гусаков, CTO Бизнес-группы Поисковых сервисов и ИИ, разберет переход от классического ML к генеративным моделям в рекомендательных системах. Василий Ершов, руководитель AI Studio Tech Yandex Cloud расскажет про облако в эпоху ИИ: архитектура платформы для гибридных агентов. Особенно интересен этот разброс по уровням стека: когда меняется базовая технология, эффект редко остается только на одном уровне, меняется железо и инференс, способы разработки, архитектура продуктов и в конечном итоге сами роли инженеров. Именно за этой цепочкой я бы и следил на конференции. deep tech night пройдет онлайн. Для зарегистрированных участников будет трансляция докладов, возможность задавать вопросы экспертам в Q&A и запись после события. По офлайну — все подробности на сайте. Регистрируемся на трансляцию.

Наткнулся у одного блогера про найм, HR и карьерный успех, на утверждение, что зарплата 300+ сейчас только у 3% населения страны. В целом по стране выглядит даже завышено - я не знаю, кем надо работать в регионе (не городе миллионнике), чтобы зарабатывать 300+, но девушке в комментах разумеется накидывают предъяв про базовый минимум и что все его уже достигли. У нас с вами выборка смещенная но все же ради интереса сделаем свой замер в опросе выше

🍋🍋🍋🍋🍋🍋🍋🍋 Свежие идеи заслуживают яркого старта Т-Бизнес берёт на себя рутину — чтобы вы сохранили энергию, энтузиазм и предпринимательский запал для главного. Откройте ИП онлайн за 0 ₽ — без поездок в налоговую, очередей и бумажной волокиты. Специалисты Т-бизнеса помогут на каждом шаге, проконсультируют и поддержат 24/7. А ещё вы получите: — 2 месяца бесплатного обслуживания счёта; — онлайн-бухгалтерию за 0 ₽; — бесплатный выпуск и доставка электронной подписи. Пусть ваше дело стартует свежо. 👉 Откройте ИП за 0 ₽ в Т-Бизнесе

Когда я начинал карьеру, а также на первых руководящих ролях, мне казалось, что если сотрудник несет какую-то фигню, с этим надо что-то делать. Со временем я принял, что не всегда. Например, если 50% генерируемого потока информации полезны, а 50% какая-то чушь, то бывает так, что использовать первую половину и игнорировать вторую выгоднее в моменте, чем что-то менять. Со временем я принял и то, что иногда чушь может оказаться не чушью и бывает полезно разобраться, может что-то я сам не понимаю. В общем, толерантность к тому, что кто-то может сказать какую-то глупость выросла, а категоричность суждений снизилась. Правильно это или нет, я не знаю и не хочу судить, во всем есть свои плюсы и минусы, но для меня это стало частью управленческой профдеформации. Сейчас при использовании нейросеток заметно как фидбек на их полезность зависит от того, на чем концентрируется пользователь - на ошибках и глупостях или на том, что получилось. Еще на Yet Another Insight одна из дискуссий была про то, можно ли использовать агента, который успешно решает задачу в 50% случаев. Дискуссия быстро сошлась к тезису, что если работает быстро, а проверка недорогая, то ведь отличная штука. Но часто мы судим, что 50% это «как монетку подбросить» и очень плохо, а не видим реальную полезность. Тут конечно помог бы не только менеджерский бэкграунд, но и просто знание, что такое метрики и бейзлайны или банальная способность считать сэкономленное время. Но вот вам еще пример. Обучение использованию LLMок топ-менеджеров солидной компании, один из топов восклицает: «Так это что, теперь придется четко и понятно задачи формулировать?». Это конечно было шуткой, но в любом случае примеры показывают, что появление любых помощников, что живых, что ИИшных, это всегда вызов для наших управленческих навыков и в постановке задач, и в валидации, и в принятии решений. Если раньше про какие-нибудь лидерско-менеджерские образовательные программы все шутили «зачем нам столько? все не могут быть руководителями», то теперь внезапно всем и правда понадобились менеджерские навыки, чтобы использовать в своей жизни ИИ достаточно продуктивно.

А вы знали, что Джефри Хинтон (тот самый, который отец deep learning) - это праправнук Джорджа Буля (того самого, которому мы обязаны булевой алгеброй)? И это далеко не единственный его известный предок. Еще есть математик Чарльз Говард Хинтон (придумавший слово «тессеракт»), его отец - хирург из викторианской Англии Джэймс Хинтон (который кстати еще появляется как персонаж в некоторых художественных книгах о Джеке Потрошителе, хоть в реальном мире Хинтон и умер на 13 лет раньше убийств в Уайтчепеле), а также географ Джордж Эверест (в честь которого назвали угадайте что, несмотря на то, что эта идея ему не понравилась). А вас какие родственные связи в науке и технологиях более всего впечатлили?

Жена спросила: а если у нас столько шарящих в ИИ людей - и звезды Kaggle, и победители межнара по ИИ, почему все еще нет своей конкурентной нейросети, а не китайского опенсорса с дообучением? (Про заслуги китайского Qwen в отечественном ИИ я жене уже рассказывал) Я тяжело вздохнул и ответил, что этому слегка мешают три обстоятельства. Во-первых, наш язык, в отличие от английского, не стал международным, а жить в России, не говоря по-русски, довольно затруднительно. Поэтому возможности привлекать лучших ученых и инженеров со всего мира у нас существенно ограничены. Сюда же добавляется довольно скромная демография: в Китае тоже не то чтобы очень удобно жить англоговорящим, но там пошли по пути, когда и своих кадров на многое хватает. Во-вторых, наша экономика пока что увы не входит в топ-3 экономик Мира, и на сопоставимые инвестиции в ИИ у нас просто не то чтобы есть деньги. Ну и в-третьих, конечно нельзя не вспомнить про отставание в микроэлектронике и отсутствие каких-то перспектив на свое железо для ИИ. Конечно, остался вопрос, значит ли, что в России своих LLMок так и не появится. И тут конечно ответ не столь категоричный. Во-первых, очень может быть, что через несколько лет модели выйдут на плато по качеству, а вычислительные мощности какого-нибудь нового железа от Nvidia будут позволять делать pretrain до качества, слабо отличимого от топового на практике. Во-вторых, альтернативные подходы к архитектуре (SMM или какие-нибудь особо экзотические ветки развития attention) могут все же дать результат и удешевить процесс для всех. В-третьих, чтобы сократить отставание не нужно во всём прям быть первыми, а быть вторым или третьим существенно дешевле. Так что если кратко - это дорого, сложно и пока никому не было настолько сильно нужно, но на горизонте нескольких лет ситуация может и поменяться. А как бы ответили вы?

Это часть рассказа ChatGPT про историю развития AI. Как думаете, что меня больше всего насторожило?

7 золота, 1 бронза и абсолютное 1 место у Артема Горохова 🎉 Новость: https://cu.ru/tpost/4ib9ed5o01-shkolnaya-sbornaya-rossii-tretii-god-pod

Поздравляю сборную и тренеров с победой на межнаре по AI 🎉🥳💪 Просто красавчики, в очередной раз отличное выступление ❤️‍🔥

Набираем людей на ML KATA с Валерой :) Очень живой и полезный формат обучения ML System Design, стоимость участия 10 000 рублей. Участники в группах решают задачу на проектирование ML системы. Вместе с Валерой вы будете отвечать на вопросы, которые заставляют посмотреть на ML систему глубже: ▪️действительно ли вы решаете нужную проблему; ▪️не ушли ли в детали слишком рано; ▪️какие ограничения забыли учесть; ▪️где ваше решение может не сработать в реальном продукте. По сути, вы пройдете тот же процесс, что и ML-команды в индустрии, только за несколько часов вместо недель обсуждений.

Джефф Дин покидает Гугл Буквально вчера Джефф Дин объявил об уходе из Гугла после 27 лет работы в компании. Джефф известен как Чак Норрис в мире программирования, шутки про него сочиняют в таком же духе: Джефф Дин пишет сразу в двоичном коде. Исходники он потом дописывает исключительно как документацию для остальных. Джефф Дин умеет решать NP-полные задачи за полиномиальное время. В коде Джеффа Дина не бывает багов. Иногда он просто приобретает случайные возможности. Если у Джеффа случается NullPointerException, это указатель извиняется перед Джеффом. Джефф не удаляет файлы. Он сообщает им, что их больше не существует. Однажды Джефф настолько сильно сдвинул бит, что тот оказался на другом компьютере. Однажды в начале 2002 года, когда серверы индекса поиска упали, Джефф Дин два часа вручную отвечал на поисковые запросы пользователей. По результатам оценки качество поиска выросло на 5 пунктов. Дин стал одним из самых влиятельных инженеров в истории Google. Среди вещей, к которым он непосредственно приложил руку: +MapReduce; +Bigtable; +Protocol Buffers; +TensorFlow; +TPU; +Google Brain; +объединение Google Brain и DeepMind и запуск направления Gemini. Вместе с ним уходят его многолетний соавтор Sanjay Ghemawat, а также Oriol Vinyals и Quoc Le. Они создают новую компанию Discovery Loop, которая будет заниматься автоматизацией научных исследований с помощью ИИ. Судя по заявлениям, расставание происходит в очень дружеском формате: Google остается инвестором и партнером нового проекта, а Сундар Пичаи публично поблагодарил Дина за вклад. Пишите в комментах вашу любимую шутку про Джеффа Дина 😁

Что произошло в мировом ML за последние полгода? Разобраться в важных исследованиях и трендах поможет ML Global Recap'H1 2026. 13 августа эксперты Яндекса обсудят итоги ICML и других международных ML-конференций, расскажут, какие идеи уже меняют индустрию и на что стоит обратить внимание в ближайшее время. В программе — четыре доклада о ключевых направлениях современного ML. Артём Бабенко из Yandex Research расскажет о развитии Tabular DL, Дмитрий Мокеев из Alice AI — о трендах и вызовах в reasoning, Иван Дёгтев из Яндекс R&D — о новых подходах к оценке качества моделей, а Андрей Бежин из Яндекс R&D — об оптимизации LLM-инференса. 📍 Очно в Москве + онлайн 🗓 13 августа 2026 Регистрация — на сайте Реклама. ООО "ЯНДЕКС". ИНН: 7736207543. Erid: 2VtzqxJAKoQ

Одна из главных проблем мониторинга ИИ-агентов — понять, почему они приняли именно такое решение Если агент внезапно начал использовать не тот инструмент или отвечать невпопад, найти причину бывает сложнее, чем исправить саму ошибку. Обычные логи и метрики здесь помогают не всегда — они не показывают, что происходило внутри процесса. Для таких кейсов трейсы становятся одним из ключевых сигналов для observability ИИ-агентов. Теперь в Yandex AI Studio можно анализировать трейсы на базе Monium Traces, что позволяет проследить всю цепочку действий агента: от промптов и вызовов инструментов до финального ответа. По сути, это возможность увидеть не только результат, но и ход рассуждений системы. Обновление уже доступно пользователям AI Studio. Попробуйте включить трейсы и посмотреть на работу своих агентов изнутри.

Про постановку целей по AI в компаниях Часто, когда придумывают какой-то KPI, например повышение AI-зрелости, проникновения AI или экономических эффектов, в итоговую цель ложится что-то типа «повысить на 50%» или «достичь уровня 80%». Все такие формулировки неизменно вызывают много дискуссий «а как они решили, что надо именно 80, а не 70 или 90?», поэтому пара слов об этом. AI характерно то, что итоговый эффект довольно сложно точно предсказать, максимум - по порядку величины и то может оказаться, что его просто не будет. Как следствие, вы всегда ставите цель в условиях сильной неопределенности, и в какой-то момент надо просто решиться, ткнуть пальцем в график и сказать «будет вот так». Ну знаете, как Королев со своим известным «Луна твердая» (там на самом деле была чуть более длинная и менее бескомпромиссная записка, но легенда всегда становится чуть красивее). Что может смягчить для руководителя и компании последствия такого «тычка пальцем в небо» при планировании? Несколько вещей: 1. Оценивайте результат и уточняйте план чаще, чем раз в год. 2. Берите как руководитель ответственность за тот план, который сами поставили. И когда ставите цель себе, и когда ставите цели своим сотрудникам. Та же байка про Королева ведь не про гениальность и авторитарность великого, а именно про способность взять на себя ответственность. 3. Лучше сначала определитесь со способом измерения и проведите замер, что есть сейчас, чтобы потом не натягивать сову на глобус, подгоняя оценки под то, что вышло. 4. Ищите баланс между микроменеджментом и стратегичным стратегированием с отрывом от реальности: погружайтесь вглубь, чтобы не было чайка-менеджмента и форвард-менеджмента, но видьте границы ответственности. Последнее о том, что ошибиться с планом и посидеть без премии это ок, а «всех разогнать нафиг» это не ок. Если не нравится точность планирования - надо улучшать ее, а не крушить и ломать :) Не должно быть какого-то гнетущего эмоционального давления или чувства вины за неудачу, должен быть здоровый азарт - сделал ставку, пробуешь оправдать, не оправдал - что-то потерял, но не так чтобы руки дальше опускались, пробуем еще и еще. В AI это очень важно, потому что страх сильно влияет на проактивность и взятие на себя ответственности в интеллектуальной работе, где нельзя предсказать результат работы точно. 5. Самое важное: всегда, особенно при недостижении каких-то результатов, ищите возможность не поскорее найти виноватых и кого-нибудь наказать, а понять и вместе с командой придумать, как в следующем временном интервале сделать лучше. При этом терпилой быть не надо, если систематически ставите вместе с человеком цели и систематически их не достигаете, возможно вам обоим нужно поработать с кем-то другим.